Zetta:让机器人在执行过程中持续反思与进化
Zetta 提出一种闭环具身智能框架:在冻结基础策略的前提下,在线进化运行时批评器与恢复技能。它将动作级干预、回合级复盘和验证式更新结合起来,提升机器人在复杂环境中的执行可靠性。
阅读全文Zetta 提出一种闭环具身智能框架:在冻结基础策略的前提下,在线进化运行时批评器与恢复技能。它将动作级干预、回合级复盘和验证式更新结合起来,提升机器人在复杂环境中的执行可靠性。
阅读全文这项工作提出了一条把第一人称人类操作视频转换为机器人训练数据的流水线,目标不是做单个任务的演示复刻,而是为具备泛化能力的视觉-语言-动作模型提供大规模预训练数据。研究同时给出了更系统的泛化评测框架。
阅读全文这篇论文指出,自动驾驶 VLM 在用链式思维监督训练时,如果提前看到真实未来轨迹,可能学到的是事后合理化,而不是真正基于场景证据推理。作者提出 AD-MCQ 与 DEFT-RLVR,把轨迹从决策前提示改为决策后验证目标。
阅读全文RL²-VLA 提出一种面向视觉-语言-动作模型的自适应测试时引导框架:不改动原有 VLA,只在模型可能失败时引入离线强化学习策略来扩展动作选择。
阅读全文SGTP 面向多车自动驾驶竞速中的高强度交互,把博弈论推理与 GPU 加速的采样式轨迹规划结合起来,在实时性、安全约束和策略多样性之间寻求平衡。
阅读全文ITMO University 等作者提出 Collective-State JEPA,用去中心化方式让群体中的每台机器人形成对共同未来状态的预测。论文重点展示了该方法在少量全局标签、拓扑变化和规模变化下的泛化能力。
阅读全文N_0-VTLA 试图补上当前视觉-语言-动作模型在“接触丰富”操作中的短板:让机器人不仅看见物体,也能利用触觉反馈做细微调整。论文还提出 ALTER,用已有部署数据继续离线改进策略。
阅读全文WAIC 2026 的热闹不只来自大模型和机器人展台,更来自一个更现实的问题:AI究竟在哪些场景已经进入生产,哪些仍停留在Demo和叙事中。
阅读全文旧金山初创公司 Tau Robotics 推出人形机器人保洁服务,收费约 30 美元/小时。它能擦台面、拖地、倒垃圾,但关键细节是:当前主要依赖远程操控。
阅读全文ACE-Data-0 试图补上具身智能训练中的“完整经验”缺口:它把第一视角、多机位视频、全身与手部动作、物体轨迹、声音和触觉同步记录在真实家庭任务中。
阅读全文Google DeepMind 发布 Gemini Robotics ER 2,定位为面向机器人的高层“具身推理”模型。它重点强化了实时视频理解、任务编排和多机器人协作,让机器人更接近可在真实环境中连续执行复杂任务的物理智能体。
阅读全文TurboVLA 试图绕开 VLA 模型中常见的“大语言模型中转站”,改用更直接的视觉与语言到动作映射。在 LIBERO 基准上,它以 0.2B 参数、0.9GB 推理显存实现 32Hz 级别的实时控制表现。
阅读全文物理 AI 的瓶颈正在从模型结构转向高质量真实世界数据。Encord 与 Zander Labs 尝试把脑电信号纳入机器人训练数据,以捕捉人的意图、惊讶和出错状态。
阅读全文NeoteAI 与复旦大学可信具身智能研究院发布 N0 系列三份技术报告,围绕触觉数据、视触语言动作模型和触觉世界模型展开。其核心主张是:机器人要真正进入复杂物理世界,仅靠视觉远远不够。
阅读全文Open-AoE 试图解决具身学习里最现实的问题:数据怎么来、怎么整理、怎么直接用。它把手机采集、结构化标注和下游训练工具串成了一条开源流水线。
阅读全文这项工作瞄准多视角 HOI 合成中最棘手的两个问题:画面要一致,手的三维运动也要对齐。HarmoHOI 通过联合扩散建模 RGB 视频与 3D 点轨迹,把外观和几何放进同一个生成过程里。
阅读全文RynnBrain 1.1 试图把感知、空间推理、定位与规划放进同一套具身框架中,并进一步把输出对齐到机器人操作。它的重点不只是“看懂世界”,而是让模型更接近真实执行。
阅读全文JoyNexus 将 VLA 模型的微调、强化学习与评测封装为多租户服务,试图解决机器人后训练中资源独占、成本偏高与利用率不足的问题。
阅读全文KAIST AI 提出的 Robot-Centric Pointmaps 试图解决 VLA 模型中相机视角与机器人动作坐标系不一致的问题。它把场景点的三维坐标直接编码到机器人坐标系下,同时保留类似图像的二维网格结构,便于接入现有 VLA。
阅读全文Xiaomi-Robotics-1 试图把大模型的“规模化法则”引入机器人学习:用超过 10 万小时真实操作轨迹预训练,再对齐真实机器人和自然语言指令。实验显示,更大的数据和模型规模能带来更低动作预测误差,并提升真实机器人任务成功率。
阅读全文